arXiv论文量化光伏分解部署误差
热点事件持续更新
arXiv论文量化光伏分解部署误差
1 篇报道1 个报道来源10 小时前更新
先了解这件事
AI 综述
Jack Zheng 与 Hao Wang 提交的论文在 arXiv 发布，研究深度学习光伏分解在不同部署情形下的误差。基于 Ausgrid 智能电表数据并适配 Pecan Street，在固定 48 小时上下文窗口下，最优模型对已见家庭未来测试期白天 MAE 为 0.104 kW，未见家庭同期升至 0.185 kW；在固定训练约定下，部署情形比模型选择更能解释误差差异。 论文称，在目标域归一化下用五个目标区域家庭微调，可将源模型迁移误差降低 28%–36%；长输入窗口有助于已知客户外推，但对新客户的效果因模型而异。 该论文已被 IEEE EI2 2026 接收，IEEE Xplore 出版待定。
AI 根据报道生成 · 1 小时前更新
最新进展10月12日 12:00
智能电表数据下的户用光伏可见性：部署场景与运营洞察报道时间线
沿着报道，了解事件的不同侧面。
10月12日
- arXiv：cs.LG智能电表数据下的户用光伏可见性：部署场景与运营洞察
研究基于 Ausgrid 智能电表数据并跨数据集适配 Pecan Street，用四种部署场景评估深度学习光伏分解：在固定 48 小时上下文窗口下，最优模型在已见家庭的未来测试期白天 MAE 为 0.104 kW，未见家庭升至 0.185 kW。在目标域归一化下，用五个目标区域家庭微调可将源模型迁移误差降低 28%–36%，且部署场景比模型选择更能解释误差差异。
本事件热度走势
还没有足够的连续观测数据，暂不绘制趋势。